그래프 인스턴스 표현 학습에서, 다양한 그래프 인스턴스 크기와 노드 순서 불변성(노드 순서에 민감하지 않은 성질)은 기존의 표현 학습 모델이 효과적으로 작동하지 못하게 만드는 주요 장애물이었다. 본 논문에서는 원래 노드 표현 학습 작업을 위해 설계된 GRAPH-BERT가 그래프 인스턴스 표현 학습에 얼마나 효과적인지 검토한다. GRAPH-BERT를 새로운 문제 설정에 적합하도록 재설계하기 위해, 우리는 이를 분할형 아키텍처(segmented architecture)로 재구성하였으며, 본 논문에서는 간결한 참조를 위해 이를 SEG-BERT(Segmented GRAPH-BERT)라 명명한다. SEG-BERT는 더 이상 노드 순서에 민감한 입력이나 기능 구성 요소를 포함하지 않으며, 그래프 노드의 순서 불변성에 자연스럽게 대응할 수 있다. 또한 SEG-BERT는 분할형 아키텍처를 채택하고, 그래프 인스턴스 크기를 통일하기 위해 세 가지 서로 다른 전략인 전체 입력(full-input), 패딩/자르기(padding/pruning), 그리고 세그먼트 이동(segment shifting)을 도입한다. SEG-BERT는 비지도 방식으로 사전 학습이 가능하며, 필요 시 미세 조정(fine-tuning)을 거쳐 새로운 작업으로 직접 전이할 수 있다. 우리는 일곱 개의 그래프 인스턴스 벤치마크 데이터셋을 대상으로 실험을 수행하여 SEG-BERT의 효과성을 검증하였으며, 그 결과 SEG-BERT는 비교 대상 방법들 중 여섯 개의 데이터셋에서 유의미한 성능 우위를 보이며 우수한 성능을 나타냈다.